快速获取和改善图像质量的T2-权重的迪克森乳房MRI在3T使用深度学习:一个前性研究
Caroline Wilpert1, Hannah Schneider2, Alexander Rau2,3
1Department of Diagnostic and Interventional Radiology, University Medical Center Freiburg, Faculty of Medicine, University of Freiburg, Freiburg, Germany. caroline.wilpert@uniklinik-freiburg.de.
Korean journal of radiology
|January 9, 2025
概括
深度学习重建了T2加权的迪克森序列,显著提高了乳房MRI图像质量,减少了扫描时间. 这种更快的方法增强了病变的明显性和诊断信心,显示了替代传统序列的潜力.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 人工智能在医学中的应用
背景情况:
- 传统的T2加权快自旋回声 (T2-w FSE) 迪克逊序列在乳腺MRI中是耗时的.
- 图像质量可能会受到加速采集技术的影响.
- 深度学习 (DL) 为图像重建和增强提供了潜力.
研究的目的:
- 为了比较DL重建的T2-w FSE迪克逊序列 (T2DL) 的图像质量和病变特征,与乳腺MRI的标准T2-w FSE迪克逊序列 (T2STD) 相比,具有超分辨率.
- 评估新型DL序列的诊断性能和读者偏好.
主要方法:
- 前性研究比较T2DL和T2STD序列在3T扫描仪上.
- 信号与噪声比率 (SNR) 和对比与噪声比率 (CNR) 的定量分析.
- 由两名放射科医生使用利克特尺度对图像质量,形态和诊断信心进行定性分析,包括并排阅读者偏好评估.
主要成果:
- 在T2DL的采集时间比T2DL的采集时间短了58% (110s vs 266s).
- 在T2DL时观察到明显更高的SNR和CNR (P<0.001).
- T2DL显示出优越的图像质量,降低噪音,更少的文物,以及改善了病变的明显性/边缘,导致读者偏好更高 (P < 0.001).
结论:
- 在加速的乳腺MRI采集中,T2有效地补偿了SNR损失.
- DL序列可显著减少扫描时间,提高图像质量和诊断性能.
- T2DL是一种可行的替代方案,有可能在乳腺MRI中取代传统的T2-w序列.


